Jul, 2023

挖掘基于不确定性的伪标签以实现稳健的立体匹配

PDF
TL;DR基于不确定性估计的稳健立体匹配算法通过适应性调整离散搜索空间来平衡视差分布，借助基于不确定性的伪标签方法解决有限标签数据的限制，并在多领域、迁移学习和联合泛化上取得了强大的性能，在 Robust Vision Challenge 2020 的立体任务中获得第一名。此外，基于不确定性的伪标签方法还可用于无监督方式训练单眼深度估计网络，并且与监督方法相当性能。
stereo matchinguncertainty estimationdomain shiftpseudo-labelsmonocular depth estimation
发现论文，激发创造
  • 领域自适应语义分割中通过不确定性估计纠正伪标签学习

    本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法，通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。

    Mar, 2020

  • 3D-PL：具有三维感知伪标记的域自适应深度估计

    利用真实数据生成可靠的伪地面真实数据，提供直接监督的领域适应框架，通过提出 2D 伪标签和 3D 感知伪标签等机制，实现深度评估的提高，有效地解决领域适应问题。

    Sep, 2022

  • 探究基于概率不确定性的无监督域自适应人员再识别

    本文提出了一种名为概率不确定性引导的逐步标签精炼的方法，旨在解决无监督域自适应人员再识别中伪标签的噪音问题，通过探索逐步提升伪标签以及用概率建模伪标签不确定性等手段，最终在四个无监督域自适应人员再识别基准任务上实现了业界领先的表现。

    Dec, 2021

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 无需源样本的领域自适应对抗扰动法深度视觉模型无监督准确度估计

    无需访问源数据，本研究提出了一种新的框架，通过估计无标签目标数据的模型准确性来解决深度视觉模型在源和目标分布之间存在性能降低的问题。将伪标签用于准确性估计，并采用最新的无源域自适应算法，利用源假设来适应目标伪标签函数，并通过对目标模型的输入进行自适应对抗扰动以减轻错误伪标签的影响，从而有效解决具有挑战性的分布偏移情景，并胜过需要源数据和标签进行训练的现有方法。

    Jul, 2023

  • 贝叶斯不确定性匹配在无监督域自适应中的应用

    通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

    Jun, 2019

  • 学习立体匹配误差分布以联合估计视差和不确定性

    本研究提出了一种新的损失函数来联合估计深度立体匹配中的差异和不确定性，通过 KL 散度项要求不确定性的分布匹配失配误差的分布，从而使用可微软柱状图技术来近似分布，以在大型数据集上实现对差异和不确定性预测的显着提高。

    Mar, 2023

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019

  • 通过未标记数据的不确定性估计缓解语义分割中的分布偏移

    基于未标记数据的 Gamma-SSL 方法通过选择性强制一致性来进行不确定性估计，用于在自动驾驶环境中检测语义分割模型的错误。在具有挑战性的分类基准上，该方法在 ROC 曲线下面积和 PR 曲线下面积方面的表现超过了不确定性估计和离群分布技术。

    Feb, 2024

  • Zoom and Learn: 将深度立体匹配推广到新领域

    本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

    Mar, 2018